O que é aprendizado supervisionado?
Aprendizado supervisionado (supervised learning) é o tipo de machine learning em que o modelo aprende com exemplos já rotulados, ou seja, com a resposta certa ao lado de cada dado. Depois do treino, ele usa os padrões aprendidos para prever a resposta em dados novos.
Em palavras simples
Imagine ensinar uma criança a reconhecer frutas com um livro de figuras. Em cada página há uma foto e, embaixo, o nome: “maçã”, “banana”, “laranja”. Depois de ver muitas páginas, a criança passa a acertar o nome de uma fruta que nunca viu naquela foto específica. O livro funcionou como um professor que já trazia as respostas.
O aprendizado supervisionado é isso. O “supervisor” é o conjunto de respostas corretas (os rótulos) que acompanha os exemplos. O computador compara o que ele chutou com a resposta certa, percebe o erro e se ajusta, milhares ou milhões de vezes, até acertar com frequência.
Como funciona
O processo costuma seguir estas etapas:
- Coleta de dados: reúne-se um grande conjunto de exemplos, como fotos, e-mails, transações ou exames.
- Rotulagem: pessoas (ou sistemas) marcam a resposta certa de cada exemplo: “spam” ou “não spam”, “gato” ou “cachorro”, o preço de venda de cada imóvel. Essa etapa é cara e trabalhosa, e por isso virou um mercado próprio.
- Treinamento: o algoritmo analisa os exemplos e ajusta os parâmetros do modelo para reduzir a diferença entre a previsão e o rótulo.
- Teste: uma parte dos dados fica separada e é usada só no final, para conferir se o modelo acerta exemplos que nunca viu. Isso evita que ele apenas “decore” o treino.
Os problemas supervisionados se dividem em dois grandes grupos:
- Classificação: a resposta é uma categoria. Exemplo: este e-mail é spam ou não?
- Regressão: a resposta é um número. Exemplo: qual será o valor deste apartamento ou quanto a loja vai vender no mês que vem?
Ele se diferencia do aprendizado não supervisionado, em que os dados não têm rótulo e o modelo procura agrupamentos sozinho, e do aprendizado por reforço, em que o sistema aprende por tentativa e erro recebendo recompensas.
Exemplos
- Filtro de spam: treinado com muitos e-mails já marcados como spam ou não spam, aprende a separar as mensagens novas. Quando você clica em “denunciar spam”, ajuda a criar mais rótulos.
- Reconhecimento de imagens: bases como a ImageNet, com mais de 14 milhões de imagens anotadas por pessoas, foram decisivas para o avanço do deep learning em visão computacional.
- Saúde: modelos treinados com exames de imagem já avaliados por médicos ajudam a apontar sinais de doenças.
- Crédito e fraude: bancos usam históricos de clientes e de fraudes confirmadas para estimar riscos.
- Chatbots de IA: depois do pré-treinamento, os LLMs passam por um ajuste supervisionado com exemplos de perguntas e boas respostas escritas por pessoas, para aprender a seguir instruções.
A importância da rotulagem fica clara no mercado: em junho de 2025, a Meta investiu US$ 14,3 bilhões por 49% da Scale AI, empresa conhecida por fornecer dados rotulados para treinar modelos de IA.
Por que isso importa para você
Boa parte da IA que você usa no dia a dia nasceu de aprendizado supervisionado. E há uma consequência prática: o modelo só é tão bom quanto os exemplos e rótulos que recebeu. Se os dados tiverem erros, lacunas ou preconceitos (por exemplo, poucas fotos de pessoas negras num sistema de reconhecimento facial), o modelo vai repetir esses problemas.
Entender isso ajuda a desconfiar de resultados “mágicos” e a perguntar com que dados um sistema foi treinado. Para quem trabalha com tecnologia ou negócios, também mostra que organizar e rotular bem os próprios dados é muitas vezes o passo mais valioso de um projeto de IA. Para entender o contexto maior, veja o que é inteligência artificial.
Termos relacionados
- Machine learning: a área da qual o aprendizado supervisionado é um dos principais tipos.
- Deep learning: redes neurais profundas, muitas vezes treinadas de forma supervisionada.
- Rede neural: o modelo que ajusta seus pesos comparando previsões com os rótulos.
- Fine-tuning: o ajuste fino, que geralmente usa exemplos rotulados para especializar um modelo.
- LLM: modelos de linguagem que passam por uma etapa supervisionada para seguir instruções.
Perguntas frequentes
Qual é a diferença entre aprendizado supervisionado e não supervisionado?
No supervisionado, cada exemplo vem com a resposta certa, e o modelo aprende a prever essa resposta. No não supervisionado, os dados não têm rótulo, e o modelo procura padrões e grupos por conta própria, como separar clientes por perfil de compra.
Quem faz a rotulagem dos dados?
Muitas vezes, pessoas. Podem ser especialistas, como médicos avaliando exames, ou trabalhadores contratados por empresas de anotação de dados. Os próprios usuários também geram rótulos, por exemplo ao marcar um e-mail como spam.
O ChatGPT usa aprendizado supervisionado?
Em parte. Os modelos de linguagem passam por uma etapa de ajuste supervisionado com exemplos de boas respostas, além de outras etapas, como o pré-treinamento com textos sem rótulo e o aprendizado por reforço com feedback humano.